Modeling of Ignition and Combustion for Glow Plug Assisted Direct Injection Natural Gas Engines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Direct injection natural gas (DING) engines offer the advantages of high thermal efficiency and high power output compared to spark ignition natural gas engines. Injected natural gas requires some form of ignition assist in order to ignite in the time available in a diesel engine combustion chamber. A glow plug — a heated surface — is one form of ignition assist. Simple experiments show that the thickness of the heat penetration layer of a glow plug is very small (≈10−5 m) within the time scale of the ignition preparation period (1–2 ms). Meanwhile, the theoretical analyses reveal that only a very thin layer of the surrounding gases (in micrometer scale) can be heated to high temperature to achieve spontaneous ignition. A discretized glow plug model and virtual gas sub-layer model have been developed for CFD modeling of glow plug ignition and combustion for DING diesel engines. In this paper, CFD modeling results are presented. The results were obtained using a KIVA3 code modified to include the above mentioned new developed models. Natural gas ignition over a bare glow plug was simulated. The results were validated against experiments. Simulation of natural gas ignition over a shielded glow plug was also carried out and the results illustrate the necessity of using a shield. This paper shows the success of the discretized glow plug model working together with the virtual gas sub-layer model for modeling glow plug assisted natural gas direct injection engines. The modeling can aid in the design of injection and ignition systems for glow plug assisted DING engines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle